論文の概要: TIDE: A Trace-Informed Depth-First Exploration for Planning with Temporally Extended Goals

• arxiv url: http://arxiv.org/abs/2601.12141v1
• Date: Sat, 17 Jan 2026 19:07:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.480739
• Title: TIDE: A Trace-Informed Depth-First Exploration for Planning with Temporally Extended Goals
• Title（参考訳）: TIDE: 一時的に拡張されたゴールを用いた計画のためのトレースインフォームド深度の最初の探索
• Authors: Yuliia Suprun, Khen Elimelech, Lydia E. Kavraki, Moshe Y. Vardi,
• Abstract要約: 時間的拡張目標(TEG)によるタスクプランニングは、AIとロボット工学において重要な課題である。 伝統的なタスク計画手法は、時間的計画問題を到達可能性の目標を持つ古典的な計画問題に変換することが多い。 我々は、時間的問題をより小さく、管理可能なリーチサブプロブレムの列に分解することで、この制限に対処する新しいアプローチであるTIDEを紹介する。
• 参考スコア（独自算出の注目度）: 23.424632543315795
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Task planning with temporally extended goals (TEGs) is a critical challenge in AI and robotics, enabling agents to achieve complex sequences of objectives over time rather than addressing isolated, immediate tasks. Linear Temporal Logic on finite traces (LTLf ) provides a robust formalism for encoding these temporal goals. Traditional LTLf task planning approaches often transform the temporal planning problem into a classical planning problem with reachability goals, which are then solved using off-the-shelf planners. However, these methods often lack informed heuristics to provide a guided search for temporal goals. We introduce TIDE (Trace-Informed Depth-first Exploration), a novel approach that addresses this limitation by decomposing a temporal problem into a sequence of smaller, manageable reach-avoid sub-problems, each solvable using an off-the-shelf planner. TIDE identifies and prioritizes promising automaton traces within the domain graph, using cost-driven heuristics to guide exploration. Its adaptive backtracking mechanism systematically recovers from failed plans by recalculating costs and penalizing infeasible transitions, ensuring completeness and efficiency. Experimental results demonstrate that TIDE achieves promising performance and is a valuable addition to the portfolio of planning methods for temporally extended goals.
• Abstract（参考訳）: 時間的拡張目標(TEG)によるタスクプランニングは、AIとロボティクスにおいて重要な課題であり、エージェントが独立した即時タスクに対処するのではなく、時間とともに複雑な目的のシーケンスを達成できるようにする。 有限トレース上の線形時間論理(LTLf)は、これらの時間的目標を符号化するための堅牢な形式主義を提供する。 従来のLTLfタスク計画手法は、時間的計画問題を到達可能性の目標を持つ古典的な計画問題に変換し、既成のプランナーを用いて解決する。 しかし、これらの手法は時間的目標のガイド付き探索を提供するための情報的ヒューリスティックを欠くことが多い。 TIDE(Trace-Informed Depth-First Exploration)は,時間的問題をより小さく,管理可能なリーチアビドサブプロブレムの列に分解することで,この制限に対処する新しい手法である。 TIDEは、探索をガイドするためにコスト駆動のヒューリスティックを使用して、ドメイングラフ内の有望なオートマトントレースを特定し、優先順位付けする。 適応的なバックトラック機構は、コストを計算し、実現不可能な遷移をペナルティ化し、完全性と効率性を確保することで、失敗した計画から体系的に回復する。 実験の結果、TIDEは有望な性能を達成し、時間的拡張目標のための計画手法のポートフォリオに貴重な追加であることが示された。

関連論文リスト

• Efficient Robotic Policy Learning via Latent Space Backward Planning [17.770562202624962]
  現行のロボット計画手法は、しばしば、全画素の詳細を持つ多フレーム画像の予測に頼っている。 本稿では,その課題を最終目標とするLBP(Latent Space Backward Planning scheme)を提案する。 LBPは既存の細粒度・前方計画法よりも優れた性能を示し,SOTA性能を実現している。
  論文  参考訳（メタデータ） (2025-05-11T06:13:51Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• Directed Exploration in Reinforcement Learning from Linear Temporal Logic [59.707408697394534]
  リニア時間論理(LTL)は強化学習におけるタスク仕様のための強力な言語である。 合成された報酬信号は基本的に疎結合であり,探索が困難であることを示す。 我々は、仕様をさらに活用し、それに対応するリミット決定性B"uchi Automaton(LDBA)をマルコフ報酬プロセスとしてキャストすることで、よりよい探索を実現することができることを示す。
  論文  参考訳（メタデータ） (2024-08-18T14:25:44Z)
• Optimal Task Assignment and Path Planning using Conflict-Based Search with Precedence and Temporal Constraints [5.265273282482319]
  本稿では,TAPF-PTC問題におけるタスク割り当てと経路探索について検討する。 我々は、競合ベースの検索(CBS)を拡張して、優先度と時間的制約に従うタスク割り当てと衝突のない経路を同時に生成する。 実験により,我々のアルゴリズムであるCBS-TA-PTCは,優先度と時間的制約を効果的に解決できることを示した。
  論文  参考訳（メタデータ） (2024-02-13T20:07:58Z)
• Unified Task and Motion Planning using Object-centric Abstractions of Motion Constraints [56.283944756315066]
  本稿では,タスクとモーションプランニングを一つの検索に統一するTAMP手法を提案する。 我々のアプローチは、オフザシェルフAIサーチの計算効率を活用して、物理的に実現可能な計画が得られるような、オブジェクト中心の動作制約の抽象化に基づいている。
  論文  参考訳（メタデータ） (2023-12-29T14:00:20Z)
• Imitating Graph-Based Planning with Goal-Conditioned Policies [72.61631088613048]
  本稿では,目標目標条件ポリシにサブゴール条件ポリシを蒸留する自己シミュレーション方式を提案する。 提案手法は,既存の目標条件付きRL手法のサンプル効率を大幅に向上させることができることを実証的に示す。
  論文  参考訳（メタデータ） (2023-03-20T14:51:10Z)
• Long-Horizon Visual Planning with Goal-Conditioned Hierarchical Predictors [124.30562402952319]
  未来に予測し、計画する能力は、世界で行動するエージェントにとって基本である。 視覚的予測と計画のための現在の学習手法は、長期的タスクでは失敗する。 本稿では,これらの制約を克服可能な視覚的予測と計画のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-23T17:58:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。